유럽 유전체 데이터가 많을수록 예측이 나빠진 경우가 나왔다

Google Research는 2026년 9월 3일 유럽계 UK Biobank 자료와 Biobank Japan의 일본인 자료를 조합해 유전체 예측 성능을 비교한 분석을 공개했다. Google Research의 연구 해설 에 따르면 일본인 훈련 표본이 작을 때는 유럽계 자료가 다유전자 점수의 예측력을 높였지만, 일본인 표본이 커진 일부 조건에서는 유럽계 자료를 더 넣은 모델이 일본인 자료만 쓴 모델보다 낮은 성능을 보였다.

이 9월 3일 공개 결과의 직접적인 답은 다른 인구집단의 유전체 자료가 목표 집단의 예측을 항상 개선하지는 않는다는 것이다. 다음 날 나온 독립 매체의 분석 도 약 1만5000개의 일본인 표본에서 나타난 전환점과 형질별 차이를 확인했지만, 이번 실험은 유럽계와 일본인 자료 및 여덟 연속형 형질에 한정돼 한국인이나 질병 진단에 그대로 일반화할 수 없다.

두 바이오뱅크의 표본 크기를 바꿔 같은 일본인 집단에서 평가했다

연구진은 수십만 명의 유럽계 참여자를 포함한 UK Biobank와 약 20만 명 규모의 일본인 코호트인 Biobank Japan을 사용했다. 평가 대상은 체질량지수(BMI), 수축기·이완기 혈압, 적혈구·백혈구 수, HDL·LDL 콜레스테롤, 혈당 등 두 바이오뱅크에서 공통으로 측정된 여덟 형질이었다.

핵심 설계는 두 집단을 한 번 결합해 결과를 내는 방식이 아니었다. 일본인과 유럽계 훈련 표본의 수를 여러 단계로 바꿔가며 모델을 다시 만들고, 모든 모델을 학습에 포함되지 않은 동일한 Biobank Japan 평가 집단에 적용했다. 예측값과 실제 형질값 사이의 피어슨 상관계수가 성능 지표로 쓰였다.

비교한 접근법은 세 가지였다. 유럽계 전장유전체연관분석에서 후보 변이를 찾은 뒤 일본·유럽 표본을 섞어 엘라스틱넷을 학습하는 방식, 두 집단의 연관분석 결과를 메타분석한 뒤 엘라스틱넷을 쓰는 방식, 집단별 연관불균형 차이를 고려하는 PRS-CSx였다. 따라서 이번 결과는 특정 알고리즘 하나의 우열보다 표본 출처와 크기, 형질, 모델 선택이 함께 바뀔 때 어떤 현상이 나타나는지를 보여준다.

일본인 표본 1만5000명 부근에서 혼합 모델의 이점이 사라졌다

일본인 훈련 표본이 5000개처럼 매우 작을 때는 유럽계 UK Biobank 자료를 함께 쓴 모델이 유리했다. 목표 집단 자료만으로 유전적 효과를 추정하기 어려운 구간에서는 큰 외부 코호트가 통계적 정보를 보태는 역할을 했다.

일본인 표본이 늘어나면 양상이 달라졌다. HDL 실험에서는 Biobank Japan 표본이 1만5000개를 넘어선 뒤 UK Biobank 표본을 5000개보다 많이 포함한 모델의 성능이 일본인 자료만으로 훈련한 모델보다 낮아졌다. ActuIA가 정리한 실험 결과 도 약 1만5000개에서 전환이 나타났으며, 집단 사이에 유전적 효과가 더 잘 공유되는 형질에서는 그 경계가 2만5000개에서 4만 개 이상으로 늦춰졌다고 전했다.

이때 ‘정확도가 나빠졌다’는 말은 모든 유럽계 자료가 해롭다는 뜻이 아니다. 같은 일본인 평가 집단에서 표본 조합별 다유전자 점수와 실제 측정값의 상관을 비교했을 때, 특정 구간의 혼합 모델이 일본인 전용 모델보다 낮아졌다는 의미다. 외부 자료의 추가분이 목표 집단 자료에서 얻는 성능 향상을 상쇄할 수 있었다는 것이 제목의 범위다.

BMI와 지질·혈당은 서로 다른 전환점을 보였다

1만5000개는 모든 형질과 인구집단에 적용되는 보편적인 기준이 아니다. 연구진은 같은 형질의 유전적 효과가 두 집단에서 얼마나 공유되는지를 나타내는 유전적 상관에 따라 외부 자료의 효용이 달라진다고 설명했다. 집단 사이에서 유전 구조가 비교적 잘 보존된 형질은 유럽계 자료의 이점을 더 큰 일본인 표본까지 유지했다.

BMI와 같은 형질에서는 일본인 표본이 2만5000개에서 4만 개 이상인 구간까지 외부 자료 결합의 이점이 남기도 했다. 반면 HDL·LDL 콜레스테롤과 혈당처럼 연구에서 인구집단 특이성이 더 큰 것으로 나타난 형질은 더 작은 일본인 표본에서 최적의 유럽계 표본 수가 줄었고, 일본인 전용 모델이 앞서는 시점도 빨랐다.

이 차이는 전이학습의 효과를 전체 데이터 수만으로 판단할 수 없다는 뜻이다. 한 형질에서 효과적이었던 일본·유럽 표본 비율이 다른 형질에서도 최적이라는 보장은 없다. 연구가 확인한 범위에서는 목표 표본 크기와 형질별 유전적 공유도에 따라 외부 자료의 적정 가중치가 달라졌다.

더 복잡한 다인종 모델도 작은 현지 표본을 자동으로 보완하지 못했다

PRS-CSx는 서로 다른 집단의 연관불균형 구조를 고려하고 집단별 점수를 결합하도록 설계됐지만, 작은 일본인 표본에서 항상 가장 높은 성능을 내지는 않았다. 목표 표본이 2만5000개 미만일 때는 BMI를 제외한 모든 평가 형질에서 가장 강한 엘라스틱넷 모델보다 낮았고, 표본이 10만 개에 가까워졌을 때 혈당을 제외한 형질에서 최고 모델과 비슷하거나 더 높은 수준에 도달했다.

메타분석의 효과도 형질별로 갈렸다. 두 집단에서 유전적 효과가 비교적 비슷한 형질에서는 추가 이득이 작았지만, HDL·LDL과 일부 혈당 조건에서는 일본인 연관분석에서 찾은 신호를 후보 변이 선정에 포함하는 방식이 성능을 높였다. 이 설정에서 유럽계 훈련 표본을 더하는 효과는 일본인 표본이 1만 개 이하일 때 소폭 나타났고 더 큰 표본에서는 이어지지 않았다.

결과적으로 모델의 복잡성 자체가 현지 자료 부족을 없애지는 못했다. 외부 집단 자료를 직접 섞는 방식, 집단별 연관분석을 먼저 결합하는 방식, 두 집단의 점수를 가중 결합하는 방식은 서로 다른 표본 요구량을 보였다. 현지 자료만으로 학습한 단순한 기준 모델을 함께 비교하지 않았다면 혼합 모델의 성능 저하를 놓칠 수 있는 구조다.

한국 의료 AI에는 별도의 한국인 성능 곡선이 필요하다

이번 일본인 결과에서 확인된 1만5000개의 전환점을 한국인 모델에 옮겨 쓸 근거는 없다. 한국인과 일본인은 서로 다른 목표 집단이며, 같은 동아시아권에서도 대립유전자 빈도와 연관불균형 구조, 환경 요인, 임상 측정 조건이 다를 수 있다. 유럽계나 다른 동아시아 자료를 한국인 유전체 예측에 결합하려면 한국인 평가 집단에서 표본 크기별 성능을 다시 측정해야 한다.

검증 단위도 막연한 ‘한국인 모델’이 아니라 개별 형질이어야 한다. 비만 관련 예측에서 외부 자료의 이점이 비교적 오래 남더라도 지질이나 혈당 예측에서는 더 작은 한국인 표본에서 현지 자료 중심 모델이 앞설 가능성이 있다. 이는 이번 결과에서 도출되는 한국 의료 AI에 대한 분석적 함의이며, 한국인 코호트에서 이미 같은 전환점이 입증됐다는 의미는 아니다.

임상적 의미에도 선을 그어야 한다. 이번 분석은 여덟 연속형 형질에서 다유전자 점수와 실제 측정값의 상관을 평가했으며, 질병 진단 정확도나 치료 결과의 개선을 시험하지 않았다. 독립된 한국인 코호트의 재현성, 하위집단별 성능, 위험 보정과 실제 임상 효용은 별도의 연구가 필요하다.

현재 공개된 근거가 확정한 것은 외부 유전체 자료의 가치가 목표 집단의 표본 규모와 형질에 따라 달라질 수 있다는 점까지다. Google Research의 공개 자료는 분석 결과와 실험 설계를 설명하지만 학술지 동료평가나 독립 재현 결과는 제시하지 않는다. 다음 확인 대상은 다른 인구집단과 질환에서도 같은 성능 교차가 나타나는지, 그리고 현지 표본이 늘어날 때 외부 자료의 가중치를 어떤 방식으로 조정해야 하는지다.